Управление в киберфизических системах что это

Управление в киберфизических системах что это

Что такое киберфизические системы?

Киберфизические системы (англ. cyber-physical systems, или CPS)

Технология киберфизических систем

В ПРОИЗВОДСТВЕННОЙ СРЕДЕ

Киберфизические системы могут улучшить производственные процессы, обеспечивая обмен информацией реального времени между промышленным оборудованием, производственной цепочкой поставок, поставщиками, системами управления бизнесом и клиентами. Кроме того, киберфизические системы могут повышать эффективность этих процессов благодаря автоматическому мониторингу и контролю всего производственного процесса и адаптации производства для удовлетворения предпочтений клиентов. Киберфизические системы повышают прозрачность и управляемость цепочек поставок, улучшая отслеживаемость и безопасность товаров.

Киберфизические системы используются для дистанционного мониторинга физических показателей пациентов в реальном времени с целью уменьшения потребностей в госпитализации (например, пациентов с болезнью Альцгеймера) или для улучшения ухода за инвалидами и пожилыми людьми. Кроме того, киберфизические системы применяются в нейробиологических исследованиях для изучения функций организма человека с использованием интерфейсов между мозгом и оборудованием и терапевтической робототехники.

В ВОЗОБНОВЛЯЕМОЙ ЭНЕРГЕТИКЕ

Интеллектуальные энергосети представляют собой киберфизические системы, в которых датчики и другие устройства обеспечивают мониторинг сети для целей контроля, повышения надежности и энергоэффективности. В интеллектуальных зданиях: совместная работа интеллектуальных устройств и киберфизических систем позволяет сократить энергопотребление, повысить безопасность и защищенность, а также создать более комфортные условия для жителей. Например, киберфизические системы могут поддерживать мониторинг энергопотребления и использование систем регулирования для реализации концепции дома с нулевым потреблением электроэнергии. Кроме того, их можно использовать для определения степени ущерба для зданий в результате непредвиденных событий и предотвращения разрушения конструкций.

Транспортные средства и инфраструктура могут взаимодействовать между собой, обмениваясь в реальном времени информацией о дорожном движении, местоположении и проблемах, предотвращая транспортные инциденты и дорожные пробки, повышая безопасность и в конечном итоге экономя время и деньги.

В СЕЛЬСКОМ ХОЗЯЙСТВЕ

Киберфизические системы могут использоваться для создания более современного и эффективного сельского хозяйства. Они могут собирать важную информацию о климате, почве и другие данные для более точного управления сельскохозяйственными работами. Датчики киберфизических систем могут вести постоянный мониторинг различных показателей, таких как орошение почвы, влажность воздуха и здоровье растений, для поддержания оптимальных окружающих условий.

В ВЫЧИСЛИТЕЛЬНЫХ СРЕДАХ

Киберфизические системы позволяют лучше понимать поведение систем и пользователей для повышения производительности и более эффективного управления ресурсами. Например, можно оптимизировать работу приложений с учетом контекста и действий пользователей или отслеживать доступность ресурсов. Кроме того, популярные социальные сети и сайты электронной коммерции хранят информацию о действиях пользователей и затребованном контенте, анализируют эту информацию, чтобы предсказывать, что может быть интересно пользователям, и предлагать рекомендации в отношении друзей, публикаций, ссылок, страниц, событий или продуктов.

Четвертая промышленная революция

Приказом Росстандарта № 642 от 27 марта 2017 года создан Технический комитет по стандартизации № 194 «Киберфизические системы» (ТК 194), на который возложены задачи по национальной стандартизации в данных направлениях. Технический комитет занимается разработкой стандартов в области Интернета вещей, «умных» городов, больших данных, интеллектуальных производств и других систем, связанных с взаимодействием «машина-машина» (M2M). Россия в лице ТК 194, представляющего на международном уровне интересы российских технологических компаний, была утверждена в качестве соредактора проекта стандарта ISO/IEC 30149 Internet of Things (IoT) — Trustworthiness frameworks.

Источник

Кибер-физические системы в современном мире

Интернет, социальные сети, облачные службы и электронная коммерция стали важными составляющими жизни современного человека. Но живём мы всё же в реальном «аналоговом» мире, а не в киберпространстве. Тем интересней, что кибер-физические системы, которые способны объединить эти два аспекта нашей жизни, сейчас развиваются очень быстрыми темпами.

Что такое кибер-физические системы?

Кибер-физические системы (от англ. cyber-physical systems, или CPS) — понятие достаточно комплексное. Однозначного и общепринятого определения на сегодняшний день они не получили, так как эти системы находятся на пересечении сразу нескольких сфер и, в зависимости от реализации, способны затрагивать самые разные аспекты нашей жизни. Их главной общей характеристикой является очень плотное взаимодействие между вычислительными процессами и процессами физическими, поэтому можно сказать, что кибер-физическая системя — это комплексная система из вычислительных и физических элементов, которая постоянно получает данные из окружающей среды и использует их для дальнейшей оптимизации процессов управления.

К кибер-физическим системам можно отнести «умные» сети электроснабжения, системы управления «умным» транспортом, АСУ (автоматизированные системы управления) в производстве и сельском хозяйстве, а также медицинское оборудование. Одним из примеров кибер-физических систем являются такие масштабные и комплексные решения, как «умные» города. Важно отметить, что кибер-физические системы схожи по архитектуре с интернетом вещей и могут использовать его элементы для связи или получения данных, но по своей сути они намного сложнее, поэтому ставить знак равенства тут было бы некорректно.

Принципы работы кибер-физических систем

Как уже было сказано выше, главным принципом работы кибер-физических систем можно назвать глубокую взаимосвязь между их физическими и вычислительными элементами. «Мозг» системы в виде ИИ и других технологий получает данные от сенсоров в реальном мире, анализирует эти данные и использует их для дальнейшего управления физическими элементами. Благодаря такому взаимодействию кибер-физическая система способна эффективно работать в изменяющихся условиях, как аналог человеческого организма или современная компания, которая анализирует ситуацию на рынке, чтобы разработать именно тот продукт, который ему сейчас нужен. Причём цикл «управление — получение данных — обработка данных — управление» при налаженной работе системы каждый раз должен давать позитивные результаты и создавать новую ценность.

К примеру, та же компания Toshiba использует принцип кибер-физических систем в своём проекте виртуальной электростанции, которая применяет технологии интернета вещей, чтобы координировать работу распределённых источников энергии (солнечной, водородной и энергии ветра), потребляющих её электротранспортных средств и систем хранения/накопления энергии. При помощи данных от устройств интернета вещей и технологий ИИ в данном случае удаётся оптимизировать энергопотребление системы, предсказать его масштабы и в итоге добиться максимальной экономии электроэнергии.

Схема виртуальной электростанции Toshiba

Среди других вариантов применения кибер-физических систем можно назвать системы управления автономным транспортом, которые в реальном времени получают информацию от участников дорожного движения и дорожной инфраструктуры, чтобы избежать ДТП и подобрать оптимальный маршрут к месту назначения с учётом ситуации на дороге; медицинское оборудование, которое дистанционно отслеживает состояние больных и применяется для исследования человеческого организма; «умные» здания с нулевым потреблением электроэнергии; средства автоматизации процессов в сельском хозяйстве… Общим во всех этих примерах будет то, что кибер-физические системы способны действительно сделать жизнь людей проще и повысить её уровень, поэтому многие крупные компании сейчас берут курс развития на их разработку.

«Умные» города как пример масштабных кибер-физических систем

Возможность «сделать жизнь людей лучше и проще» при помощи этих систем отлично можно проиллюстрировать как раз на примере «умных» городов. Сингапур уже неоднократно признавался различными исследователями самым умным из «умных» городов на планете, причём его правительство идёт ещё дальше и считает, что работает над проектом «умной нации» (Smart Nation — название программы городского развития Сингапура). Целый ряд стартапов совместно создаёт решения для Сингапура, которые касаются практически всех сфер жизни горожан — от охраны правопорядка и автоматической фиксации нарушений до управления транспортной системой и энергоресурсами, водоснабжения и здравоохранения. И это даёт свои результаты, например, одна только система управления транспортными потоками способна сэкономить сингапурским водителям десятки тысяч часов в год.

Самый умный из «умных» городов Сингапур

Другим вариантом «умного» подхода к градостроению можно считать г. Масдар в ОАЭ, который строится неподалёку от Абу-Даби. Масдар должен стать «экогородом», который полностью обеспечивает свои потребности при помощи возобновляемых источников энергии, полностью перерабатывает все отходы и полностью отказался от традиционных видов транспорта в пользу общественного и персонального автономного транспорта. Естественно, для эффективного управления ресурсами и транспортными потоками в Масдаре будут применяться новейшие технологии, включая и кибер-физические системы.

Экогород «Масдар» в пустыне Руб эль Хали

В целом, в последние годы кибер-физические системы получили большой толчок к развитию, который связан с ростом количества «умных» устройств и сенсорных сетей и объединением их во всё более крупные системы, например, интернет вещей. Но, как считает технический директор Toshiba доктор Cиро Саито (Shiro Saito), очень важным для будущего этих систем является переход к открытым инновациям. «Крайне важно не попасться в ловушку желания достичь всего самостоятельно», — отмечает он. Именно поэтому компания активно занимается инвестициями в современные технологии, связанные с кибер-физическими системами, и сотрудничает с другими организациями, например, работает совместно со Стэндфордским университетом над снижением энергопотребления ИИ-чипов (текущий результат — 88-процентное снижение).

Кибер-физические системы — это настолько обширная и перспективная тема, что только совместными усилиями различные компании, НИИ и организации смогут разрабатывать новые технологии и новые продукты, в том числе и для решения актуальных социальных проблем.

Источник

Платформа управления киберфизическими объектами

Общие положения концепции Интернета вещей известны, однако оценить все проблемы управления киберфизическими объектами пока еще сложно. Платформа «Пилигрим» иллюстрирует возможность организации управления мобильными роботами через облако.

Общие положения концепции Интернета вещей знакомы уже многим, однако оценить все проблемы управления киберфизическими объектами пока еще сложно. Платформа «Пилигрим» иллюстрирует возможность организации управления мобильными роботами, используя ресурсы облаков.

Актуальным приложением киберфизики является управление действиями группировок интеллектуальных роботов, формирование операционной и информационной инфраструктуры Интернета вещей и т. п. Основные проблемы, которые здесь возникают, связаны с повышением автономности и надежности функционирования объектов при снижении нагрузки на оператора и требований к вычислительной мощности ЦОД, размещенного в центре управления. Одним из наиболее перспективных методов, зарекомендовавшим себя в задачах организации взаимодействия распределенных динамических структур, является использование сетецентрических и кибернетических технологий организации информационного обмена между всеми членами группы.

Каждый элемент сети пересылает доступную ему информацию в единый центр, аккумулирующий все данные и отвечающий за принятие стратегических решений. В условиях неопределенности окружающей среды, объект, помимо реализации стратегических указаний от единого центра, руководствуется собственным восприятием пространства. Все вместе это позволяет сформировать коллективный интеллект, или интеллект роя (Swarm Intelligence, SI) [1]. Каждый робот группировки состоит из аппаратно-программной части и актора. Разделение функций принятия тактических и стратегических решений позволяет упростить процесс отработки технологии и удешевить киберфизические объекты.

Сеть киберфизических объектов функ-ционирует следующим образом: оператор задает роботам стратегическую цель, например разведку местности; акторы в облачной среде обмениваются данными и формируют последовательность простых операций, которые должен реализовать каждый робот, входящий в группу, для достижения поставленной цели; команды на выполнение операций передаются киберфизическим объектам, которые контролируют процесс выполнения при помощи локально доступной информации от сенсоров (рис.1). Благодаря нескольким контурам контроля (локальный контур на роботе, контроль цели в облачной среде и мониторинг со стороны оператора) можно гарантировать достижение поставленной цели в условиях неопределенности окружающей среды. Любое изменение среды приводит к возмущению в информационном пространстве, и, таким образом, киберфизическая система способна учесть новые факторы и откорректировать свое поведение для минимизации возможных потерь.

Рис. 1. Взаимодействие группировок роботов через акторов информационно-вычислительных процессов

Система управления группировкой киберфизических объектов делится на блоки наблюдения, идентификации, принятия решений и реализации операций (рис. 2), что предполагает наличие мультипротокольного интерфейса информационного обмена с внешней средой, онтологической модели взаимодействия и сценариев действий. Кроме того, необходимо иметь гиперграф операций, ребра которого задают ограничения, а узлы определяют последовательность действий, формирующую сценарий достижения целей; и наконец, нужна подсистема актуаторных устройств, используемых для выполнения последовательности операций.

Рис. 2. Киберфизическая модель системы управления

Взаимодействие всех этих блоков может осуществляться на базе универсальной сетецентрической платформы управления [2], позволяющей использовать стандартные средства организации информационного обмена для объединения различных технологий управления, относящихся как к физическим, так и к виртуальным компонентам киберфизической системы. Сетевые структуры, используемые не только для реализации информационных сервисов, но и для управления киберфизическими объектами, могут быть развернуты в облаке, как это реализовано в платформе управления киберфизическими объектами «Пилигрим» (рис. 2).

Платформа «Пилигрим» (рис. 3) построена на инструментах и технологиях OpenStack [3] и имеет восемь уровней. Уровни 1–3 — инфраструктурные и могут быть размещены в любой облачной среде, например Amazon Web Services. Программные компоненты платформы уровней 4–6 размещаются в частном облаке или ЦОД. Уровень 7 отвечает за передачу данных, а на восьмом уровне размещаются агенты и операторы. Интерфейсы и протоколы взаимодействия платформы открыты, что обеспечивает расширяемость функциональности и возможность применения в разных сферах.

Рис. 3. Облачная платформа управления киберфизическими объектами

«Пилигрим» предоставляет сервис масштабируемых вычислительных ресурсов (виртуальных машин), образуя единое вычислительное пространство управления киберфизическими объектами с использованием акторного механизма взаимодействия и организации интегрированной среды обмена сообщениями. Каждый киберфизический объект имеет свой отдельный поток с логическим адресом, по которому отправляется сообщение и может быть получен ответ. Актор объекта имеет непосредственную связь со своим агентом (роботом, датчиком или удаленным сервисом), отправляющим оперативную информацию и получающим управляющие сигналы. Акторы могут обмениваться информацией между собой, но сам процесс информационного обмена физически локализован в ЦОД. Кроме акторов киберфизических объектов, в платформе «Пилигрим» реализованы акторы-сервисы, предоставляющие вспомогательные услуги, такие как доступ к базам данных, топографической информации, средствам поиска в Интернет и т. д.

Важной особенностью платформы является возможность построения картины оперативной ситуационной обстановки, к которой может обратиться любой актор киберфизического объекта и на основе полученной информации передать управляющую команду своему агенту. Кроме того, предусмотрена возможность настройки актора на определенные события, генерируемые другими акторами на основе сообщений, присылаемых их агентами. Благодаря встроенным в платформу средствам защиты, размещение акторов киберфизических объектов возможно в частном или даже публичном облаке, что позволяет организовать обслуживание в одном облаке различных группировок объектов.

Предложенный в платформе «Пилигрим» сетецентрический метод организации информационного обмена позволяет реализовать различные классы алгоритмов управления распределенными киберфизическими объектами, функционирующими в условиях пространственно-временной неопределенности. Платформа может быть использована как для работы в среде Интернета вещей, например при построении умного дома, так и для управления сколь угодно крупными группировками мобильных роботов.

Литература

Владимир Заборовский (vlad@neva.ru), Алексей Лукашин (lukash@neva.ru) — сотрудники, Политехнический университет, (Санкт-Петербург); Владимир Мулюха (mva@rtc.ru) — сотрудник, ЦНИИ Робототехники и технической кибернетики, (Санкт-Петербург). Статья подготовлена на основе материалов доклада, представленного авторами на пятом Московском суперкомпьютерном форуме (МСКФ-2014, грант РФФИ 14-07-20284г). Работа выполняется при поддержке РФФИ (грант № 13-07-12106 офи_м).

Поделитесь материалом с коллегами и друзьями

Источник

ТЕХНОЛОГИИ, ИНЖИНИРИНГ, ИННОВАЦИИ

Измеритель диаметра, измеритель эксцентриситета, автоматизация, ГИС, моделирование, разработка программного обеспечения и электроники, БИМ

Киберфизические системы с искусственным интеллектом: актуальное направление современной науки и техники

Что такое киберфизические системы, почему они так актуальны сегодня, и какую роль в их развитии играет искусственный интеллект? Изучение различных свойств информационно-технических систем с точки зрения взаимодействия их физической и цифровой составляющих — новое и актуальное направление современной науки о киберфизических системах [1]. Главными составными частями любой киберфизической системы являются (Рис.1): физический слой системы (различные объекты реального физического мира самой разнообразной природы); цифровой слой системы (множество данных о системе, хранимых в памяти компьютеров, алгоритмы управления физическими объектами, алгоритмы обработки информации и пр.); интерфейс взаимодействия цифрового и физического слоя (различные сенсоры, управляющие механизмы и пр.); интерфейс взаимодействия цифрового и физического слоя с человеком (различные XR технологии). Эти составные части взаимодействуют между собой во времени и пространстве, образуя единую экосистему, направленную на решение определённой задачи. С точки зрения эволюции систем, киберфизические системы являются следующей ступенью с большим масштабом гранулярности, т.е. такая система сама состоит из множества других сложных систем.

Рис.1. Концептуальная схема киберфизической системы, включающая основные составные части и виды их взаимодействий.

В качестве киберфизической системы могут рассматриваться как относительно небольшие объекты, такие как беспилотный летательный аппарат, система умных устройств помещения, так и весьма масштабные: заводы по производству летательных аппаратов или даже целые города.

Киберфизические системы (Cyber-physical systems, CPS) — объект пристального исследования многих лабораторий по всему миру. Это и лаборатории ведущих мировых университетов: CyPhyLab Калифорнийского университета в Лос Анджелесе, целый ряд подразделений MIT media lab, лаборатории технологических лидеров промышленности, таких как Bosch, Toshiba или PTC.

У CPS есть очень много общего с другими информационно-техническими концепциями, такими как интернет вещей, умная пыль и туманные вычисления, т.е. со структурами типа “грид”. Но нужно понимать, что CPS — более широкое понятие, чем перечисленные выше, и они могут являться составными частями целой киберфизической системы. Более того, если рассматривать составные устройства киберфизической системы, то по отношению к другим концепциям, в CPS они находятся на более высоком уровне взаимодействия (Рис.2).

Рис.2. Уровни взаимодействия объектов реального мира внутри цифрового слоя.

Если рассматривать степень влияния киберфизических систем на нашу жизнь, то достаточно сказать, что именно с осознанием этой концепции и возникновением действующих подобных систем связывают переход к индустрии 4.0.

Немецкая академия Acatech, один из лидеров в области развития Индустрии 4.0, уже говорит о перспективах национальных киберфизических платформ, которые складываются из трех типов сетей: интернета людей, интернета вещей и интернета сервисов. Если говорить про прототипы киберфизических платформ, то наиболее удачным примером на сегодняшний день является государство Сингапур, где на законодательном уровне принята инициатива “Умная нация”, которая подразумевает социальное и экономическое развитие на базе киберфизической платформы. Но не только лишь один Сингапур активно прорабатывает киберфизические платформы и системы — так, например, в США эта технология с 2011 года принята в ряд важнейших стратегических технологий. Про отличия киберфизических систем от другого типа систем и про их историю развития можно почитать здесь и здесь.

Рис.3 Киберфизические платформы как результат слияния интернета вещей, людей и сервисов.

В последнее время, для улучшения работы всех составных частей CPS, всё чаще используются методы искусственного интеллекта, в частности алгоритмы глубокого обучения. Данная конвергенция технологий формирует большое количество связей и данных — необходимых для развития ИИ.

Из-за недавно начавшейся 3-ий революции ИИ, на сегодняшний день накопилось достаточно методов обработки данных самой разной природы, будь то изображения, текст, сигналы электрической или иной природы, трёхмерные данные и многое другое. Каждый день появляются новые средства по улучшению существующих алгоритмов глубокого обучения, как на фундаментальном математическом уровне, так и в виде более совершенных вычислительных единиц аппаратного обеспечения. Вместе с развитием области ИИ развиваются и киберфизические системы, поскольку качество работы таких систем определяется во многом качеством обработки данных присутствующих в системе.

Рис. 4. ИИ и его подобласти

В данной заметке на практических кейсах мы рассмотрим преимущества подхода, основанного на использовании методов глубокого обучения в киберфизических системах.

ИИ ускоряет симуляции цифровых двойников

Рис. 5. Сравнение качества рендеринга классическими алгоритмами компьютерной графики и с применением нейронных сетей.

В процессе проектирования и эксплуатации киберфизических систем возникает ряд проблем. Одной из них является проблема согласованности времени между физическими объектами и их цифровыми двойниками [3]. Для управления объектами в реальном мире и предсказания их поведения создаются цифровые копии в виртуальном пространстве, на основе математических моделей [4–6]. Время, необходимое для симуляции такой модели, может отличаться от времени, с которым протекают реальные физические процессы в моделируемом объекте. Часто случается так, что математическая модель настолько сложна, что время компьютерной симуляции превышает реальное. Для ускорения вычислений, при сохранении качества симуляции, предлагается использование методов глубокого обучения.

Показательным является кейс по ускорению рендеринга облачных газовых структур при прохождении через них света. На эту тему есть замечательный доклад от Евгения Туманова и соответствующая заметка на habr.

Рис. 6 Формальная постановка задачи рендеринга облаков. (Евгений Туманов, доклад на HighLoad++ 2018).

Традиционный подход для решения этой задачи заключается в том, чтобы для каждого пикселя рассчитываемого изображения решать основное уравнения рендеринга, которое является интегральным уравнением Фредгольма 2-го рода. Решение такого типа уравнений является сложной алгоритмической задачей и требует много времени. Основная идея по ускорению вычислений в этом случае — в использовании нейронной сети в качестве универсального аппроксиматора, которым заменяется решение самой времязатратной части классического численного метода.

Рис. 7 Идея применения методов глубокого обучения для задачи рендеринга (Евгений Туманов, доклад на HighLoad++).

ИИ помогает принимать решения в космосе

В качестве киберфизической системы может выступать как отдельный беспилотный летательный аппарат (БПЛА), так и целая группировка таких аппаратов вместе с наземными станциями связи и управления. Хорошим примером является запущенная недавно компанией SpaceX группировка спутников Starlink. В процессе эксплуатации подобных групп БПЛА на околоземных орбитах возникает проблема опасности столкновения с космическим мусором, в связи с чем требуется рассчитывать возможные манёвры и принимать решения по уклонению.

Решение этой задачи для одного единственного БПЛА представляет определённые сложности — решение о манёвре уклонения принимает специальная комиссия из баллистиков ЦУПа за несколько витков до потенциального столкновения. В условиях текущего количества космического мусора это работает. Но эффективных систем по расчистке околоземного пространства пока нет, а эффект Кесслера может привести к тому, что потенциальных столкновений может возникать несколько за один виток. В такой ситуации времени на принятие решения будет критически мало, а из-за сложности ситуации в небе, просчёт потенциальных манёвров уклонения будет представлять чрезвычайно сложную задачу даже для группы опытных баллистиков.

Рис. 9 VR интерфейс ЦУПа будущего.

В процессе реализации проекта TZUP, в котором принимала участие команда PHYGITALISM совместно со специалистами из других компаний и университетов, была создана система моделирования движения спутников в околоземном пространстве с возможностью расчёта вероятностей столкновения с космическим мусором. Эта система была использована в качестве среды для обучения агентов искусственного интеллекта (задача обучения с подкреплением), т.е. цифровой двойник околоземного пространства стал генератором синтетических данных для обучения алгоритма. ИИ здесь выступает в качестве помощника диспетчера ЦУПа будущего. Система предлагает манёвры уклонения и визуализирует их, а специалисту остаётся только принять решение, какой из предложенных манёвров использовать. Получился своеобразный Яндекс.Навигатор в околоземном пространстве.

Рис. 10 Расчёт вероятности столкновения с помощью компьютерного моделирования.

ИИ на страже безопасности CPS

Рис. 11. Визуализация симуляции технологических процессов в цифровом двойнике завода.

Другой важной проблемой является обеспечение безопасности CPS — создание систем защиты от киберфизических атак стало новым актуальным направлением в области информационной безопасности. Вы можете ознакомиться с размышлениями на эту тему в следующей заметке.

Давайте рассмотрим практический кейс под названием PlantSim, реализованного командой PHYGITALISM. Основная цель проекта заключалась в создании системы обнаружения аномалий в каналах связи между ПЛК (программируемым логическим контроллером), управляющим технологическими процессами на нефтеперерабатывающем заводе, и системой инженерного мониторинга (SCADA). Для поиска аномалий в каналах управления было предложено использовать рекуррентную нейронную сеть [7].

Рис. 12. Структурная схема рассматриваемой киберфизической системы.

ИИ усиливает органы чувств CPS

Рис.13. Google project soli sensor.

Для лучшего качества функционирования CPS необходимо иметь как можно больше информации о состоянии среды, в которой функционирует такая система, и как можно точнее определять процессы, протекающие в её составных частях. Всевозможные сенсоры и датчики служат органами чувств для CPS. Чем лучше система“видит”, что происходит с ней и вокруг в данный момент времени, тем лучше будет качество принимаемых ею решений об управлении располагаемыми ресурсами.

Например, в контексте предыдущего раздела, чем более чувствительный терморегулятор установлен в цистерне перегона взрывоопасных жидкостей (при условии нечувствительности такого терморегулятора к шумовым выбросам), тем скорее в случае сбоя подогрева система безопасности сможет детектировать опасность и предотвратить её.

Рис.14. Использование project soli для управления устройствами с помощью жестов.

В качестве более жизненного примера можно рассмотреть распознавание тонких человеческих жестов с помощью wi-fi сигнала для управления гаджетами.
И здесь искусственный интеллект может помочь с улучшением качества работы существующих датчиков или с созданием новых сенсоров. Наглядно это демонстрирует датчик Project Soli от компании Google.

Основная идея здесь не нова: wi-fi роутеры представляют из себя трансмиттеры-ресиверы электромагнитных волн. Проходя через пространство, электромагнитная волна отражается от различных объектов и возвращается обратно в устройство. Если некоторый объект начинает двигаться, то его скорость складывается или вычитается со скоростью движения электромагнитной волны, из-за чего возникает смещение в частоте и длине отражённой волны. Это явление называется эффектом Доплера, и как раз его-то мы и можем использовать для детектирования жестов, и не только с помощью wi-fi роутера. Однако, не всё так просто.

Во-первых, обычные роутеры работают на частотах порядка 5GHz. Такая частота может быть недостаточной для хорошей разрешающей способности алгоритма классификации, т.е. близкие по форме, но всё же разные по сути объекты будут распознаваться как один и тот же объект. Данную проблему решают повышением рабочей частоты устройства (у project soli рабочая частота составляет 57 – 64 GHz).

Во-вторых, в реальных задачах требуется распознавать не только конкретный жест, но и кому этот жест принадлежит, в одном помещении может быть сразу несколько людей и у всех у них может быть разный приоритет в системе. Эту и многие другие неозвученные проблемы решают с помощью применения современных алгоритмов глубокого обучения [8]. Такой подход, например, используется в проекте WiSee, реализованном студентами и сотрудниками Вашингтонского университета.

Поскольку для работы нейросетевых алгоритмов требуется достаточно сложные, однако однотипные вычисления, для их реализации в железе существует специальные вычислительные единицы, т.н. TPU (tensor process init) или иначе — нейромодули, нейропроцессоры. Такие вычислительные единицы могут быть оптимизированы под конкретную задачу, будь то распознавание лиц, голоса или жестов. Как раз для решения задачи распознавания жестов или пространственных перемещений небольших объектов был создан специальный TPU “Soli I-CB”, который может быть встроен в различные умные устройства и гаджеты.

Рис. 15. Нейрочипы project soli.

Вывод

Киберфизические системы — важная составная часть информационной эпохи. Чем лучше мы понимаем как проектировать, анализировать, защищать и улучшать такие системы, тем лучше, безопаснее и понятнее мы делаем мир вокруг нас. Как можно увидеть из рассмотренных выше примеров, искусственный интеллект может улучшить работу CPS на всех уровнях, а синергия этих двух актуальных направлений (AI + CPS) принесет множество интересных и неожиданных улучшений в нашу жизнь.

Если вы студент бакалавриата или вам интересна тема CPS, AI, XR технологий и реализация подобных проектов, то на этот случай у нас есть магистерская программа “Дополненная/виртуальная реальность и искусственный интеллект” на базе факультета прикладной информатики и информационных технологий МАИ, в сотрудничестве с технологической студией PHYGITALISM. В основе программы — курсы по искусственному интеллекту, киберфизическим системам, виртуальной и дополненной реальности, в рамках которых мы поможем вам разобраться во всех премудростях работы с технологиями на практике.

1. Allgöwer, Frank & Sousa, João & Kapinski, James & Mosterman, Pieter & Oehlerking, Jens & Panciatici, Patrick & Prandini, Maria & Rajhans, Akshay & Tabuada, Paulo & Wenzelburger, Philipp. (2019). Position paper on the challenges posed by modern applications to cyber-physical systems theory. Nonlinear Analysis. 34. 147–165. 10.1016/j.nahs.2019.05.007.

3. Lee, Edward A. “The past, present and future of cyber-physical systems: a focus on models.” Sensors (Basel, Switzerland) vol. 15,3 4837–69. 26 Feb. 2015, doi:10.3390/s150304837

4. R. G. Sanfelice. Analysis and Design of Cyber-Physical Systems. A Hybrid Control Systems Approach // Cyber-Physical Systems: From Theory to Practice / D. Rawat, J. Rodrigues, I. Stojmenovic. — CRC Press, 2016

5. Shao Z., Liu J. (2013) Spatio-temporal Hybrid Automata for Cyber-Physical Systems. In: Liu Z., Woodcock J., Zhu H. (eds) Theoretical Aspects of Computing — ICTAC 2013. ICTAC 2013. Lecture Notes in Computer Science, vol 8049. Springer, Berlin, Heidelberg

7. Filonov, Pavel & Kitashov, Fedor & Lavrentyev, Andrey. (2017). RNN-based Early Cyber-Attack Detection for the Tennessee Eastman Process. ArXiv abs/1709.02232

8. Qifan Pu, Sidhant Gupta, Shyam Gollakota, Shwetak Patel (2013) Whole-Home Gesture Recognition Using Wireless Signals // The 19th Annual International Conference on Mobile Computing and Networking (Mobicom’13)

Автор: Вадим Кондаратцев, vadim@phygitalism.com, itcentrmai@gmail.com
Источник: https://habr.com/

Понравилась статья? Тогда поддержите нас, поделитесь с друзьями и заглядывайте по рекламным ссылкам!

Источник